【摘要】：随着物联网(IoT)的发展,数据量不断增长并变得更加多样化。将数据传输到云端时存在几个问题，例如网络带宽和延迟的限制。这引起了人们对边缘计算研究的极大兴趣，边缘计算处理和分析数据导致的网络终端附近的数据。边缘计算可以从大量数据中提取洞察数据，通过简单的分析提供快速的基础服务。边缘计算具有实时性优势，但也有缺点，例如边缘节点容量有限。边缘计算的边缘节点导致任务完成时过载和延迟。在本文中，我们通过边缘节点之间的协作提出了一种有效的卸载模型，以防止过载并在紧急情况下快速响应潜在危险。在提出的卸载模型中，边缘计算的功能分为以数据为中心和以任务为中心的卸载。卸载模型可以基于在边缘节点中发生的集中的、低效的分配和权衡来减少边缘节点的过载。这是边缘节点过载的主要原因。因此，本文展示了一种边缘计算中的协作卸载模型，该模型基于以数据为中心的卸载和以任务为中心的卸载来保证实时和预防过载预防。此外，我们提出了一种基于森林火灾点火场景的智能卸载模型。
关键词：边缘计算；卸载计算；分布式协作；动态卸载；物联网；森林火灾
一、简介
如今，由于物联网的发展和众多智能/智能设备的使用，不仅使用数值数据，还使用图像、视频和音频数据 [1,2] 的分析领域正在迅速扩大。随着数据类型的多样化，数据量和操作量呈指数增长。在硬件方面，将大量数据和计算任务卸载到云端是高效的工作，但它会产生网络延迟、能耗增加等问题[3-7]。
已经进行了大量研究来解决这些问题[8-12]。许多论文中要考虑的问题是响应时间要求、电池寿命限制、带宽成本节约以及数据安全和隐私 [13,14]。最近的研究集中在通过数据处理、交通管理、工作安置和资源分配来节省能源和最小化计算量。参考。 [15,16] 利用边缘云来克服移动设备有限计算能力的限制，并避免由于卸载操作导致的高延迟。参考。 [17] 使用雾计算通过数据密集型计算卸载来最小化数据处理时间和延迟。参考。 [18] 用途任务密集型卸载以限制电池寿命以最大限度地减少平均工作时间。参考。 [19] 也是对边缘计算的研究，重点是计算卸载。边缘计算在边缘节点执行部分或全部数据和任务[20-22]，而不会将在端节点生成的所有数据传输到云端以优化能源消耗。在边缘节点处理大数据和任务，无需上云，可以避免长时间的延迟。如上所述，关于边缘计算的许多类型的研究已经通过设备、边缘节点和云之间的卸载提出了有效的策略。
随着最近智能和移动设备与物联网和增强现实 (AR) 等技术相结合的增长，重点已转移到通过态势感知获得实时响应。当实时响应领域不断增加并需要立即分析时，边缘计算比云计算更快地处理 [23]。然而，边缘计算最大的问题是边缘节点的过载。放电等故障问题可能导致重大损失，这比延误问题更为严重。
在本文中，基于边缘计算的卸载将主要功能划分为需要数据存储和计算的任务。上述相关工作的方法仅考虑数据或任务卸载，以节省能源并减少延迟。随着数据的增长，边缘节点的计算量增加，并且由于计算能力有限而将任务卸载到云端。这解决了计算复杂性，但由于延迟和带宽问题再次无法实时响应。如果只考虑其中一项数据和任务，这个问题会不断重复。因此，两个功能会导致拥塞（集中卸载导致的过载问题）以及网络和速度延迟。这些问题在需要立即响应以检测附近物体、收集实时数据和加速复杂计算的领域尤为重要[24,25]。为了识别异常情况并采取快速警告和行动，需要一种混合方法来实时分析大量传感器数据[8]。但是，如果边缘节点过载，功能的执行就会延迟，从而难以保证安全。现有方法对于快速处理紧急情况的方法效率很低。例如，如果在山区或森林中检测到火灾，则必须迅速将其扑灭以防止发生森林火灾，并且在发生火灾时，必须跟踪传播路径以避免进一步损失。
近年来，山火的严重性迅速增加。目前，森林火灾造成的大部分损失在包括韩国在内的许多国家都很广泛[26]。去年，路边的火灾蔓延到山区，在韩国引发了一场大火。高温以及因地制宜的干燥大风速是此次大森林火灾的起因。变化的风向很难预测扩散范围和速度。近期，澳大利亚旷日持久的森林大火也造成了巨大的破坏，约5万平方公里的土地化为灰烬，超过5亿只动植物丧生。气候变化增加了干旱的频率，导致了大规模的野火。对气候变化缺乏反应并不能阻止森林火灾的蔓延，薄弱的消防能力只能眼睁睁地看着损失增加的情况。最重要的是在事件发生之前做出预测并迅速做出反应。即使没有足够的消防员或消防能力差，这也可以减少伤害量。自然界发生的事件难以预测，因此森林火灾需要各种数据使用和深入分析。这意味着数据变得无限，分析技术变得更加复杂以进行预测。在环境方面，野火造成边缘节点无法防止过载的情况，这就是为什么应该使用所提出的卸载模型的原因。
在本文中，使用了两个子任务来解决拥塞问题：卸载数据的协作和卸载任务的协作以优化问题。没有涵盖数据和任务方面的综合研究。据我们所知，这是第一项尝试防止过载的研究，同时考虑到对数据和任务的关注。
本文的其余部分组织如下：第 2 节描述了用于计算卸载的智能协作的架构。第 3 节包含基于所提出的算法森林火灾场景下的智能卸载模型。第 4 节描述了边缘计算的特征和定义问题。本文的结论包括在第 5 节中。
2. 计算卸载智能协作架构
本节介绍边缘计算中计算卸载模型的架构。边缘节点与其他节点协作解决由于低效的分区和权衡而出现的过载问题。我们提出了一个模型，该模型同时考虑了数据和任务以进行有效卸载。
图 1 显示了本文提出的智能协作系统的架构。整体平分在n个区域中。每个区域有n个边缘节点，一个主节点，一个是第二节点，另一个是动作节点。边缘节点通过预测在收集、存储、分析和确定数据并报告结果的过程中发生的过载，向主节点请求协作。主节点通过实时监控所有边缘节点的状态并提供边缘节点与过载的边缘节点协作来管理高效协作。第二节点在过载和故障的情况下充当主节点的助手。最后，它是一个动作节点，接收预测结果并快速响应。分布式协作调度算法中各个节点的具体作用如下。
2.1 边缘节点
边缘节点通过收集和预处理端节点生成的数据的过程对不必要的数据进行分类，并根据领域知识创建新数据。接下来，分析处理后将分析结果上报云端。总体而言，随着数据量和任务数量的增加，边缘节点过载的可能性增加。因此，边缘节点预测围绕数据和任务的过载的发生，并在主节点请求协作。边缘节点在从主节点获取另一个可以协作的边缘节点的IP地址时，将根据数据和以任务为中心的算法分类的一些数据和任务传输到协作边缘节点。
2.2.主节点
每个边缘节点都可以是主节点。实时考虑边缘节点的状态，最不可能过载的边缘节点成为主节点。主节点通过实时监控所有边缘节点来负责分布式协作调度管理，以实现边缘节点之间的协作管理[27]。首先，分析两者之间的距离发出协作请求的边缘节点和 n-1 个边缘节点。边缘节点之间通信传输数据时的距离越远，延迟和能耗就会增加。距离最近的边缘节点应该被赋予相对较大的权重，因为它可以快速从数据传输到结果。那是因为数据和任务的累积量增加，增加了过载的可能性。尽管单独的成本和性能 [28] 可以以最低的成本和高性能卸载，但重要的是分析过载的可能性以考虑可以维持多长时间的协作 [29]。
因此，边缘节点可以保持最扩展的协作，并且选择作为协作节点的延迟最低。选择的边缘节点的IP地址传递给过载的边缘节点，该边缘节点立即发送数据和任务以解决过载问题。如上所述，主节点管理它们之间的协作卸载计划，以防止每个区域中的所有边缘节点过载。详细地，我们将描述分为以数据为中心和以任务为中心的协作卸载算法，这是协作模型的基础。
2.3.第二主节点
第二主节点对主节点起支撑作用。考虑主节点突然故障或过载的可能性。主节点的所有信息实时传输到第二主节点。如果主节点出现问题，则由第二个主节点承担协同调度管理的角色。
2.4.动作节点
动作节点收集边缘节点分析的结果。动作节点的智能系统根据所有分析结果进行态势响应和快速控制。
3.智能动态卸载算法
我们在第 2 节中将智能协作模型定义为四种类型的模型。第 3 节定义了应用于模型的算法。该模型基于数据和以任务为中心的算法进行智能协作。我们在两个基础上定义了过载点和协作算法。
3.1 以数据为中心的卸载算法
基于数据卸载的功能如下：1. 从一次性物联网设备收集原始数据。 2. 感知感知和平台的知识信息采集。 3.基于游行的意识融合。
数据中心的过载点如下：
当所有三个同时完成时，如果它们消耗的能量超过阈值，则会检测到过载（等式（1））。
首先，以数据为中心的算法必须考虑过载发生时数据之间的关系。一般来说，相关数据越多，需要发送的数据量就越大。这是因为所有相关数据都必须与合作请求一起交付。
接下来，考虑数据的数量。数据量越大，发送数据所需的时间和精力就越多[30,31]。因此，首先将相关数据数和数据总数最少的组发送到协作节点。如果能耗量仍高于阈值，则将下一个最低的数据量发送到协作节点。迭代直到小于阈值，小于阈值时停止请求合作。
3.2.以任务为中心的卸载算法
基于任务卸载的功能如下： 1. 分析。 2.认知。 3. 决定。
任务中心的过载点如下：
当所有三个同时完成时，如果它们消耗的能量超过阈值，则会检测到过载（等式（2））。
首先，以任务为中心的算法在过载时根据任务的重要性请求协作。重大责任（任务）的情况下，在自己的边缘节点上维护分析将产生最快的结果。将最不重要的任务传递给协作节点可以为分析重要任务腾出空间。选择最重要任务的标准因领域而异。
接下来要考虑的是每个任务的关系和数据量。如果一个任务包含多种数据，即使其中一个任务请求协作，数据量也会变得太大。相关数据越多，任务速度、能耗和计算任务的复杂度就越高。因此，数据关系最少的任务首先被移动到协作边缘节点。与以数据为中心一样，迭代直到小于阈值，小于阈值时停止请求合作。
3.3.森林火灾预测
在此背景下，本文基于两个提议的卸载将工作从数据收集到森林火灾预测和蔓延预防分析进行了分类。
数据中心的工作如下： • 通过森林火灾传感器实时采集本地数据。 • 创建森林火灾知识数据库。 • 数据预处理。
传感器实时采集的数据主要包括温度、相对湿度、二氧化碳、风向等。此外，它还从外部平台收集季节和天气等历史数据和山地地形等知识数据。最后，通过对数据进行预处理，如去除重复数据和合并数据创建新数据，在每个边界节点设计数据库。
以任务为中心的工作如下： • 火灾预测。 • 野火蔓延区域（方向）和速度预测。 • 森林火灾类型预测。 • 余烬着陆点预测。 • 着陆后的火灾预测。
上述任务按照与上述相同的顺序执行，并使用实时本地数据、收集的知识数据和组合新数据进行分析。由于任务是按顺序进行的，火灾预测是最重要的，底部是最不重要的。
不幸的是，执行所有这些任务的边缘节点由于快速的天气变化、大量数据和森林火灾任务的同时执行而出现过载预测和传播预测。因此，宽松的边缘节点与其他节点协作，通过快速分析和响应来防止损坏或缩小范围。
3.4.野火计算卸载场景
本节展示了一个使用与森林火灾相关的虚拟数据的以任务为中心的算法示例。根据边缘节点的性能，延迟和能源成本可能会有所不同。该示例通过进一步细分上面广泛划分的五个任务来演示任务协作。本文涉及九种类型，任务数量取决于您的期望。
表 1 显示了九个任务和每个任务中使用的数据。任务按分析顺序列出，并且假设每个任务中的数据数量是统一的。边缘节点通常执行表 1 中的任务。
图 2 显示了基于算法重新排列以找出任务之间的数据关系。如上所述，Task 1 是最基本的分析，所以应该在其边缘节点上进行。因此，与任务 1 相关的数据越多，重要性越高。
与‘任务1.火灾预测’相关的任务共有四个：
• 任务 9. 着陆地点的火灾预测 • 任务 2. 计算蔓延率 • 任务 7. 预测蔓延区域 • 任务 5 火林的类型
下一个要看的标准是数据之间的关系；数据之间的关系越多，重要性越低。此外，由于假设相同数据具有相同数量的数据，因此使用的数据越小，影响越小。
剩下的任务，按照数据关系不大的顺序列出，如下：• 任务 4. 计算火焰高度 • 任务 3. 森林火灾强度计算 • 任务 6. 计算火焰距离 • 任务 8. 计算火焰位置 • 任务 9. 着陆点火灾预测
因此，当一个边缘节点过载时，它被传递到边缘节点，边缘节点按照任务 4、任务 3、任务 6、任务 8、任务 5、任务 7、任务 2 和任务 9 的顺序进行协作。
本文提出的算法与现有卸载方法的区别如下。当前的卸载方法卸载了一些消耗较少能量的任务，而不考虑数据和任务之间的关系。他们只是查看了设备的能源效率并将其卸载。然而，这种方法在应用于森林火灾时存在问题。任务的重要性根据情况而变化，能耗也取决于数据量。如果只考虑能源效率并卸载任务，则可能会延迟重要任务的执行。例如，应始终监控任务 1 以防止森林火灾。但是，如果森林大火已经发生，防止蔓延的任务比任务1更重要。任务1覆盖的数据最多，是基础分析，所以最好总是在边缘节点自己下做任务1。但是，重要性可能会因情况而异。
四、智能动态卸载模型的实现与探讨
本节讨论我们为什么提出智能协作模型以及为什么将模型用于森林火灾。首先，第 4.1 节根据两个功能描述了基于边缘计算的卸载。 4.2 节详细解释了由于两次卸载任务导致的过载问题的原因。本文提出的智能协作模型解决了这些问题。最后，第 4.3 节展示了使用第 3.4 节中的一些数据对模型进行的概述处理。
4.1 基于边缘计算的卸载
如上所述，卸载到边缘节点的功能分为两种核心技术：（1）数据密集型卸载和（2）计算密集型卸载[32]。图 1 显示它有两个功能（1）数据和（2）任务。
数据密集型边缘节点：如图 3a 所示，数据从存储在边缘节点中的端节点实时收集，无需经过数据预处理 [33] 将其发送到云端，即只需要必要的数据提交到云端。云计算弥补了网络带宽限制并最大限度地减少了延迟。 [34] 通过对感知数据进行预处理和过滤的数据卸载功能，仅存储、传输和发送敏感数据到边缘节点。数据卸载对在靠近生成数据的设备位置的边缘节点收集的数据进行预处理和过滤。这具有优化云计算系统的优势[35]，通过减少从边缘设备发送到云的数据时发生的网络流量（负担）。
任务密集型边缘节点：图 3b 显示卸载计算适用于高性能任务，例如从云端到边缘节点分析和处理数据。它可以提高计算质量，包括设备的延迟和功耗[36]。优点是通过避免最小化网络延迟时间引起的显着延迟，更能保证对情况反应的实时响应[34]。迄今为止，能源消耗迅速增加，就像两个在端节点和云在边界节点卸载并集中。此外，位于边缘的设备很可能超载。存在计算任务的处理速度降低的问题。因此，应该考虑两个任务同时发生的问题。
4.2.基于边缘计算的卸载问题
两个卸载同时集中到边缘节点。图 4 显示了在不考虑数据卸载和任务卸载的情况下分配任务时的两个重要问题——低效率的分区导致了权衡。
低效分布式计算/存储卸载：边缘计算是指将工作卸载到离产生数据的终端最近的边缘节点。因此，如果某个位置发生事件，则数据将在该位置周围的所有端节点处激增，这将集中数据和计算任务到最近的边缘节点。面对这种情况，卸载如图所示，存储/计算任务仅集中在特定节点上。因此，当过载仅发生在某些边缘节点并且某些节点被放松时，就会出现存储/计算卸载的低效拆分。结果，过载仅发生在某些边缘节点，并且某些节点节省了太多空间，导致存储/计算卸载的分区效率低下。
存储/计算卸载之间的权衡：低效的分区问题也会导致权衡问题。如果卸载到特定节点的数据存储功能很大，则没有足够的空间用于计算功能。相反，当更多的计算功能可用时，数据存储功能就没有足够的空间了。这会由于无法做一些工作而导致延迟，并且不能保证边缘计算的实时优势。
因此，本文提出了一种智能协作模型，重点解决两个问题。该模型通过所提出的协作算法通过分散功能来解决问题并实时分配结果。
4.3.提议的模型处理概述
第 4.3 节显示了在某些地区发生野火并发生过载时的协作流程。基于所提出的模型，这是当边缘节点在特定区域过载时进行协作的流程图。
图 5 显示了森林火灾预测和预防场景的智能卸载模型的过程。
过载情况下的协同过程如下： 1. EN_1 传感器的传感数据。 2.如果边缘节点#1的过载预测，主节点的分析结果。 - 通过将问题分解为数据和任务来查找问题。 3. 对主节点的合作请求。 - 如果是数据密集型卸载问题，则使用“数据中心算法” - 如果是任务密集型卸载问题，则使用“Tata 中心算法” 4. MN 通过来自边缘节点的数据和任务检查协同预测的可能性#n .5. 如果输出是，主节点检查边缘节点#n 的 IP 地址。 6. 将 EN_n 的 IP 发送到边缘节点#1。 7. 数据或任务转移到 EN_n。 - 如果数据卸载问题，则使用“数据中心算法” - 如果任务卸载问题，则使用“Tata 中心算法” 8. 最后，将所有结果发送到动作节点，并将主节点复制到第二个主节点。
我们通过将场景应用于从 1 到 8 列出的协作过程来描述该过程。场景是温度迅速升高，风向频繁变化时。首先，EN_1 实时收集和处理数据。 EN_1 通过传感器实时收集和处理数据。当温度迅速升高的事件发生时，任务 1 开始预测森林火灾。假设是初始灭火失败。执行以下任务以通过风向和风速等数据预测扩散范围和速度。 EN_1 迅速增加工作量。主节点实时监控所有边缘节点，如果 EN_1 的能量增加并超过阈值，则预测过载。 EN_1 为过载，EN_1 请求主节点合作，首先查找过载原因。主节点分为数据和任务来查找边缘节点问题。两种算法根据数据收集和处理的原因以及任务分析来决定协作的部分。例如，在任务卸载问题的情况下，使用“以任务为中心的算法”。该算法重新排列要协作的部分，如第 3.4 节中的示例所示。
随着传感数据的收集，火灾预测任务是最常执行的任务。最根本的是，通过火灾预测扑灭森林火灾将防止蔓延的问题。下一个最重要的任务是通过实时使用风向、风速和温度来预测森林火灾的流向。因此，这两个任务使用频率最高，处理的数据最多，因此请务必在其边缘节点对其进行分析，以免延迟。此外，预测野火类型的任务是预测野火蔓延的最具挑战性的情况。余烬随风飘扬，形成了新的森林大火。附着在松树上部的火球加热周围的空气，升到空气之上。如果遇到强风，这些余烬可以飞行 1-2 公里。火灾有可能在短时间内蔓延并变得难以控制。要扑灭，迫切需要分析着陆区域和蔓延速度。
因此，任务按照森林火灾预测、扩散预测和森林火灾类型预测的顺序很重要。重要性可能因情况而异。目前，气温在上升，风速也在上升，所以已经发生了森林大火。在这种情况下，蔓延预测和森林火灾类型预测变得比 EN1 中的森林火灾预测任务更重要。之后，考虑 3.4 节中的关系和数据量。同时，主节点分析其他边缘节点，通过数据和工作检查协作的可能性。它检查来自协作最有效的边缘节点的可能性。如果它输出它可以在边缘节点#n进行协作，则主节点检查IP地址并将IP发送给边缘节点1。边缘节点#1将基于算法的数据和任务通过IP发送到边缘节点n。如果过载持续，则将其他数据和任务发送到第二个协作边缘节点。如果过载得到解决，协作请求将停止。
这对其他边缘节点的工作方式相同。如果根据EN_1的风向数据，森林火灾很可能蔓延到EN_3，则将EN_3排除在协作边缘节点之外，并根据其数据分析森林火灾预测。当过载时，EN_3 以相同的方式请求协作。
5 结论
数据的持续增长对边缘计算的延迟和能耗的影响更为显着。大数据分析和智能设备的发展增加了数量边缘节点的计算量，这与边缘计算的延迟和能耗有关。这种数据存储和计算能力的集中化会导致过载并降低效率。
在此背景下，我们提出了一种新的智能卸载模型，边缘节点之间相互帮助，专注于以数据和任务为中心的卸载技术。据我们所知，这是智能任务分发卸载的第一个研究，它专注于数据和任务，并在边缘节点之间进行协作。该模型在保持实时优势的同时，解决了边缘节点容量有限造成的过载问题。
因此，本文描述了一个基于需要快速响应和分析的野火场景的模型。详细介绍了模型和算法的应用过程，即在预测火灾和预测森林火灾蔓延过程中出现的过载情况。因此，这种情况可以通过所提出的模型与松弛的边缘节点协作，通过快速分析和响应来防止损坏或减少损坏范围。在其他实时响应领域，如灾害和紧急情况，所提出的模型可用于各种研究。
在本文中，使用虚拟数据代替真实数据。在未来的研究中，我们将研究硬件的功能，以指定能源消耗、执行时间等，并使用基于森林火灾场景的虚拟数据进一步组织它。通过这个，我们想通过分析随机协作和应用所提出的模型时的等待时间和能耗来比较效率。